Detekce anomálií stavů turbíny v datech systému RMS
Date issued
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Západočeská univerzita v Plzni
Abstract
DTato diplomová práce se zabývá úlohou vzdáleného monitorování a diagnostiky točivých strojů, konrétně průmyslových parních turbín. Jejím cílem je navrhnout softwarové řešení detekce anomálií v oblasti, kde se setkáváme s vysokými objemy dat. V průmyslových systémech je úspěšná detekce anomálií klíčovým faktorem pro zajištění jejich bezpečného a spolehlivého provozu. S rostoucím množstvím dat se však tato úloha stáva pro člověka náročnou, a proto je vhodné využít pro její řešení metody strojového učení.
V práci jsou použity dva reprezentativní přístupy k detekci anomálií: Gaussian Mixture Models (GMM) a One-Class Support Vector Machines (OCSVM). S jejich použitím byl navržen balíček implementovaný v jazyce Python, který umožňuje detekci anomálií v provozních datech turbíny.
Významnou částí práce bylo testování navržených metod na reálných operačních datech parních turbín získaných z databáze systému Remote Monitoring System (RMS).Výsledky experimentů ukázaly, že oba analyzované přístupy jsou schopny efektivně detekovat anomálie v takto komplexních datech. GMM i OCSVM dosáhly srovnatelných úrovní úspěšnosti detekce, přičemž každý z nich disponuje vlastními přednostmi a nevýhodami.
Tímto výzkumem se podařilo prokázat nejen použitelnost těchto metod, ale především navrženého řešení jako celku.Vytvořený softwarový balík je navíc možno dále rozšiřovat o nové metody detekce anomálií. Dosažené výsledky mají přínos pro průmyslovou oblast monitorování strojů a mohou být využity pro zlepšení provozní bezpečnosti a spolehlivosti parních turbín.
Description
Subject(s)
detekce anomálií, strojové učení, ocsvm, gmm, signálový model, vzdálené monitorování strojů, diagnostika rotačních strojů, analýza a zpracování signálů